智能家居语音数据-中文

一、产品概述

智能家居语音数据库共1852小时。录音语言，中文；录音地区，中国。录音文本包含主流家居场景智能控制、命令等11个分类。以中国北方口音区域为主邀请646名发音人参与录制。录制过程在真实家居环境中，模拟智能家居电器及应用产品使用情况，设置7个录音位。其中5个为高保真麦克风(44.1kHz，16bit，每个麦克风录制时长在217~284小时之间)、1个iOS系统手机(16kHz，16bit，282小时)与1个Android系统手机(16kHz，16bit，281小时)进行录制。此数据库经过专业语音校对人员转写标注，并通过严格质量检验，文本正确率在95%以上。

二、产品目录结构

目录结构

数据目录结构数据目录结构

└─DOC（文本说明文件）
││├─wav_list.txt（音频列表）
││├─content.txt（语音文本内容）
││├─spk_info.xlsx（录音人信息）
││├─room_info.xlsx（场景信息）
│
└─SPEECHDATA（数据文件夹）
│├─0001（录音人文件夹）
││ ││ H0001A（音频文件夹）
││ ││ H0001A0001.wav（音频文件）
││ ││ H0001B（音频文件夹）
││ ││ H0001B0001.wav（音频文件）

命名规则

CORPUS/USAGE/SPEAKER_NUM/POINT_ID/SPEECH_IDe.g./SPEECHDATA/0001/H0001A/ H0001A0001.wav

目录名称 · 内容 · 备注

CORPUS · · 语音数据库编号

USAGE · SPEECHDATA · 文件夹名称

SPEAKER_NUM · 0001 · 录音人文件夹名称

POINT_ID · H0001A · 录音位编号

SPEECH_ID · H0001A0001.wav · WAV文件

三、文本设计

语料制作

考虑到语音识别在主流家居场景下的智能设备语控、命令词语、时事文本等领域的应用，语料在11个领域中选定。按照规则处理语料池。

序号 · 领域

1 · 机器人

2 · 空调

3 · 电视

4 · 智能音响

5 · 控制器

6 · 台灯

7 · 数字类

8 · 音乐类

9 · 电视、影视类

10 · 电台类

11 · 时事内容类

• 脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。
• 删除 < , > , [ , ] , ～ , / , \ , = 等符号。
• 删除含有中文和英文以外语言的内容。
• 删除单句含有25字以上的内容。
• 统一格式。

文本结构

考虑到语音覆盖及音素平衡，此数据库录音文本采用每份520句的分配方式设计，从语料池中抽取，结构如下。

序号 · 领域 · 每份分配量/句

1 · 机器人 · 11

2 · 唤醒1 · 13

3 · 控制器 · 25

4 · 台灯 · 20

5 · 唤醒2-1 · 6

6 · 唤醒2-2 · 6

7 · 唤醒3 · 6

8 · 音响 · 25

9 · 唤醒、命令4 · 50

10 · 收音机 · 5

11 · 空调 · 50

12 · 电视 · 40

13 · 音乐 · 40

14 · 数字 · 40

15 · 电影、视频 · 40

16 · 广域文本内容 · 143

合计 · 11项 · 520句

四、录制环境

录制现场

1. 录制场景为真实家居场景，场景内包括基本家居用品、家电桌椅。2. 录制现场录音位由现场具体环境来确定。（涉及到录音位的距离、高度等）3. 录制距离由实际场景左右会出现0.5m,1.5m,2m,2.5m,3m,3.5m,4m,5m的距离。4. 在确定好录音场地录音位后，调试设备、实录等准备工作。保证录音设备正常、稳定、满足录制要求。5. 录音人位置在指定位置录制语音数据。

录制设备

录制设备包括高保真麦克风和录音机、手机。本数据库数据存储格式为高保真录制数据44.1kHz、16bit单声道和手机录制数据16kHz、16bit单声道两种格式。

录制方法

家居环境下布置7个点位，包含3个近讲点位，4个功能点位。功能点位固定在空调、电视、台灯、扫地机器人；近讲点位与发言人距离30厘米，包含一部高保真麦克风和两部手机(iOS & Android)。发音人以讲话正常音量，正常语速，朗读录音文本。

序号 · 内容

A · 录音位1：空调

B · 录音位2：电视

C · 录音位3：台灯

D · 录音位4：扫地机器人&其它

E · 录音位5：近讲iOS

F · 录音位6近讲Android

G · 录音位7：近讲麦克风

五、标注转写规范

数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式，如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）句中出现的英文按照发音写出单词，如“thank you”。按拼读朗读的字母，需转写成大写字母加空格的形式。如，“N B A”、“U F O”。4）句中包含的符号，按实际发言人发音转写。如“三W点百度点com”。没有发音的符号，需要删掉。品牌名称，专有名称等按照实际惯用格式转写，如“QQ空间”、“iPhone”、“喜马拉雅”。5）标注内容的完整性要与实际发音一致，不得删减。

六、发音人信息

基本信息记录

发音人信息记录内容包括任务编号、性别、口音区域、年龄区间、场景环境。

任务编号 · 性别 · 口音区域 · 年龄区间 · 场景环境

0001 · 男 · 北方 · B · 场景一

任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。性别：男性，女性。口音区域：按照发言人原生语言所属区域，分为北方、南方、其他。年龄区间：A(15岁以下)、B(16-25岁)、C(26-40岁)、D(41岁以上)。场景环境：录制场景共十二个，场景信息按编号记录在附件room_info中。

场景 · 编号 · 场景 · 编号

场景一 · bedroom_1 · 场景七 · diningroom_1

场景二 · bedroom_2 · 场景八 · drawingroom_1

场景三 · bedroom_3 · 场景九 · drawingroom_2

场景四 · bedroom_4 · 场景十 · drawingroom_3

场景五 · bedroom_5 · 场景十一 · drawingroom_4

场景六 · bedroom_6 · 场景十二 · drawingroom_5

发音人结构特征

性别比例

数据库总人数为646人，男276人，女370人。

性别 · 男性 · 女性 · 合计

比例 · 43% · 57% · 100%

年龄比例

A（15岁以下）0人；B（16-25岁）631人；C（26-40岁）12人；D（41岁以上）3人。

年龄区间 · 年龄段 · 人数 · 比例 · 男性 · 女性

A · ＜15岁 · 0 · 0 · 0 · 0

B · 16-25岁 · 631 · 97.7% · 269 · 362

C · 26-40岁 · 12 · 1.9% · 6 · 6

D · ＞41岁 · 3 · 0.5% · 1 · 2

合计 · · 646 · 100% · 276 · 370

方言区域比例

北方545人；南方91人；其他10人。

区域 · 人��� · 比例

北方 · 545 · 84.4%

南方 · 91 · 14.1%

其它 · 10 · 1.5%

合计 · 646 · 100%

数据样例下载

点击下载数据样例